rst Информационно-экономические аспекты стандартизации и технического регулирования Informatsionno-ekonomicheskiye aspekty standartizatsii i tekhnicheskogo regulirovaniya 2311-1348 ФГБУ «Институт стандартизации» IMYERG 80262286 Research Article Диссертационные исследования dissertation research МНОГОУРОВНЕВЫЕ СИСТЕМЫ КАЧЕСТВЕННЫХ ДАННЫХ НА ОСНОВЕ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ПРОБЛЕМЫ И РЕШЕНИЯ MULTILEVEL SYSTEMS OF QUALITATIVE DATA BASED ON ARTIFICIAL INTELLIGENCE MODELS: PROBLEMS AND SOLUTIONS Лопатин И. Н. Lopatin I. N.

Лопатин И. Н., Аспирант ФГБУ «Институт стандартизации»

Москва, Россия

Lopatin I. N., Graduate student Russian Standardization Institute

Moscow, Russia

 ФГБУ «Институт стандартизации» Россия Russian Standardization Institute Russian Federation 2025 82 82 70 75 Copyright © Лопатин И. Н., 2026 2026 Лопатин И. Н. Lopatin I. N. Данная работа распространяется под лицензией Creative Commons Attribution 4.0. https://iea.gostinfo.ru/article/view/69

В современную цифровую эпоху качество данных является критическим фактором для эффективности систем кибербезопасности, антифрод-механизмов и моделей искусственного интеллекта (ИИ). Внедрение кроссплатформенных систем качества данных с многоуровневым мониторингом, включая статистический анализ, базовый контроль качества данных, расширенное обнаружение аномалий, проверки полноты и генерацию синтетических данных, обеспечивает всесторонний контроль данных. Низкое качество данных может привести к серьезным последствиям, включая пропущенные угрозы, финансовые потери, репутационные риски и этические проблемы. Комплексный подход к управлению качеством данных, включающий разработку стратегии, технологические решения, стандартизацию, мониторинг и обучение персонала, основанный на современных стандартах и лучших практиках, значительно повышает надежность и эффективность систем. Инвестирование в качество данных становится стратегически важным для организаций на фоне растущих объемов данных и усложняющихся угроз.

In the modern digital age, data quality is a critical factor for the effectiveness of cybersecurity systems, anti-fraud mechanisms, and artificial intelligence (AI) models. The implementation of cross-platform data quality systems with multi-level monitoring, including statistical analysis, basic data quality control, advanced anomaly detection, completeness checks, and synthetic data generation, ensures comprehensive data control. Poor data quality can lead to serious consequences, includ- ing missed threats, financial losses, reputational risks, and ethical concerns. An integrated approach to data quality management, including strategy development, technological solutions, standardization, monitoring and staff training, based on modern standards and best practices, significantly improves the reliability and efficiency of systems. Investing in data quality is becoming strategically important for organizations amid growing amounts of data and increasingly complex threats.

 КАЧЕСТВО ДАННЫХ КИБЕРБЕЗОПАСНОСТЬ АНТИФРОД-СИСТЕМЫ БОЛЬШИЕ ЯЗЫКОВЫЕ МОДЕЛИ АТАКУЮЩИЕ НЕЙРОСЕТИ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ МНОГОУРОВНЕВЫЙ МОНИТОРИНГ КРОССПЛАТФОРМЕННЫЕ СИСТЕМЫ DATA QUALITY CYBERSECURITY ANTI-FRAUD SYSTEMS LARGE LANGUAGE MODELS ATTACKING NEURAL NETWORKS ARTIFICIAL INTELLIGENCE MULTILEVEL MONITORING CROSS-PLATFORM SYSTEMS References

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

The authors declare that there are no conflicts of interest present.